Las estaciones meteorológicas y climáticas (EMC) son imprescindibles para la recopilación de datos precisos y actualizados sobre el clima y el tiempo atmosférico en una determinada región. Las aplicaciones de los datos recogidos por las EMC trascienden el ámbito de la meteorología y la climatología, pues su uso es bastante extendido en áreas de la ingeniería, la producción agraria, el urbanismo, la geografía, entre otros campos (World Meteorological Organization (WMO) and The International Association of Hydrological Sciences 1976; Marchi et al. 2019; Wilgen et al. 2016; Chung, Abdel-Aty, and Lee 2018). Los datos proporcionados por estas estaciones ayudan a prever fenómenos meteorológicos extremos, como tormentas tropicales, huracanes, tornados y sequías, lo que permite a la población prepararse para responder adecuadamente. Asimismo, con estos datos se realizan múltiples estudios científicos sobre el clima y el cambio climático, lo que ayuda a comprender mejor la dinámica de la atmósfera y sus efectos sobre el planeta, contribuyendo en última instancia a informar y mejorar las estrategias de planificación (World Meteorological Organization (WMO) 1996, 2017a, 2017b).
Una buena red de EMC es esencial para la toma de decisiones informadas en una variedad de campos, y es fundamental para el bienestar y la seguridad de las comunidades y del medio ambiente en general. En general, planificar una red adecuada de EMC es fundamental para la gestión del territorio. Estudios previos, incluyendo algunos realizados en la República Dominicana, indican que faltan EMC en áreas importantes, y que la distribución espacial de la red no es homogénea, lo cual probablemente afecta la precisión del dato recogido (Theochari et al. 2021; Rojas Briceño et al. 2021; Frei 2003; Programa Mundial de Alimentos (PMA) 2019).
Varios países han evaluado el diseño de su red de estaciones, algunos incluso en múltiples ocasiones, y han propuesto mejoras que en muchos casos han implementado satisfactoriamente (Frei 2003). En algunos casos, disponen de protocolos para la selección de sitios, los cuales comúnmente han armonizado con estándares generales de la OMM, o amplían estos últimos para adaptarlos a las particularidades de su territorio y a los usos previstos (Rojas Briceño et al. 2021; Theochari et al. 2021).
La República Dominicana es altamente vulnerable a los impactos del cambio climático, por lo que una red de EMC insuficiente exacerba esta vulnerabilidad (Le 2019; Lohmann 2016; Izzo et al. 2010; Roson 2013; Lenderking, Robinson, and Carlson 2020; Mackay and Spencer 2017). Es necesario mejorar y expandir la red de estaciones meteorológicas, para lo cual se requiere inversión en tecnología e infraestructura, así como alianzas entre agencias gubernamentales, entidades privadas e instituciones de investigación (Programa Mundial de Alimentos (PMA) 2019). Sin embargo, para realizar inversiones que optimicen al máximo los escasos recursos disponibles, se requiere diseñar, evaluar y seleccionar alternativas de redes de EMC utilizando criterios ponderados.
Varias investigaciones consultadas, concernientes al diseño de redes de estaciones climáticas, meteorológicas e hidrometeorológicas, coinciden en señalar que la metodología idónea para el diseño de redes de estaciones puede realizarse mediante una análisis multicriterio (del inglés multi-criteria decision analysis, MCDA), específicamente, la técnica de toma de decisiones basadas en múltiples criterio (MCDM, siglas de multi-criteria decision-making) (Thiriez and Zionts 1975; Köksalan, Wallenius, and Zionts 2011; Taherdoost and Madanchian 2023). La aplicación de esta familia de métodos en el ámbito de la planificación física y/o territorial, se apoya en la colecta y análisis de atributos de terreno integrados por grandes volúmenes de datos geoespaciales y, al mismo tiempo, incluyendo criterios específicos del público meta también espacializados en el territorio, empleando para ello sistemas de información geográfica (SIG) (Rojas Briceño et al. 2021; Theochari et al. 2021; Tekleyohannes et al. 2021; Chakhar and Mousseau 2008; Malczewski 2004; Eastman, Jiang, and Toledano 1998). Aunque, varias investigaciones han mostrado el buen rendimiento que aportan determinadas técnicas geoestadísticas tradicionales (Ali and Othman 2018; Valipour, Ghorbani, and Asadi 2019), así como algoritmos contemporáneos de deep learning en combinación con técnicas tradicionales (Safavi, Siuki, and Hashemi 2021), o incluso la entropía (Bertini et al. 2021), los métodos MCA son preferidos por su facilidad de uso y porque ayudan a comprender mejor los atributos de terreno.
El denominado “proceso analítico jerárquico”, mejor conocido como AHP (analytic hierarchy process), es un método de selección de alternativas multicriterio que se fundamenta en la teoría general de los MCA, así como en la base de conocimientos de la jerarquía analítica. Fue desarrollado por Thomas Saaty en la década de 1970 (Thomas L. Saaty 1977), con varias revisiones posteriores (Thomas L. Saaty 2001; Thomas L. Saaty and Tran 2007), y se utiliza para tomar decisiones cuando se deben considerar múltiples criterios y alternativas. Tradicionalmente, el método AHP se ha utilizado en investigaciones del ámbito de las ingenierías, ciencias sociales, económicas y empresariales, e igualmente en la toma de decisiones donde intervienen datos geoespaciales (Thomas L. Saaty 2013; Darko et al. 2019; Podvezko 2009; Subramanian and Ramanathan 2012; Breaz, Bologa, and Racz 2017). Recientemente, fue usado de forma eficiente en la selección de sitios idóneos para la instalación de estaciones meteoclimáticas en Perú (Rojas Briceño et al. 2021).
El método AHP consiste en descomponer un problema complejo en una estructura jerárquica de criterios y subcriterios, para luego comparar distintas alternativas en función de cada uno de dichos criterios. El proceso se realiza en varias etapas, que incluyen, identificar los objetivos y criterios relevantes para el problema, crear una estructura jerárquica de los criterios y subcriterios, comparar los criterios y subcriterios mediante una matriz de comparación en parejas (paso clave), calcular los valores de prioridad de cada criterio (paso clave), comparar las alternativas, calcular los valores de prioridad de cada alternativa en función de cada criterio y, finalmente, calcular los valores totales de prioridad de cada alternativa.
El método AHP es ampliamente utilizado en la toma de decisiones y en la planificación estratégica, ya que permite elegir entre varias opciones considerando valoraciones de criterios, y porque tiene en cuenta la importancia relativa de los criterios elegidos. Esta importancia relativa se asigna, normalmente, por medio de consultas hechas a personas con experiencia en el área de conocimiento donde se enmarque el problema en cuestión.
En este estudio, aplicamos AHP para seleccionar sitios idóneos donde instalar estaciones meteoclimáticas en República Dominicana, garantizando la eficiencia de la red, maximizando recursos y evitando redundancia información. Para ello, nos apoyamos tanto en fuentes de información geoespacial sistemáticamente producidas, como en consultas a personas con experiencia en temas climáticos y meteorológicos.
Aplicamos una secuencia de tres técnicas interdependientes para formular distintas alternativas de redes de observación meteoclimática, centrándonos en la selección de sitios idóneos para EMC. En primer lugar, aplicamos un proceso analítico jerárquico (AHP), que se utiliza para seleccionar la mejor opción entre diferentes alternativas, utilizando criterios de selección ponderados por personas con conocimiento del problema (Thomas L. Saaty 2013). Las repuestas originales normalmente deben organizarse y recodificarse y, posteriormente, se debe evaluar su consistencia. A continuación, se seleccionan las respuestas consistentes, o se ajustan las inconsistentes, y se establece la ponderación de criterios. Finalmente, la ponderación definida, se aplica a las fuentes de información disponible para obtener una lista de alternativas, de entre las cuales, se selecciona la más idónea de acuerdo con los criterios definidos.
Tanto el diseño de los formularios, como el procesamiento de respuestas y la ponderación de criterios, los realizamos empleando lenguajes de programación. Para diseñar los formularios, empleamos paquetes y funciones de Python, mientras que para los análisis nos auxiliamos del paquete ahpsurvey y otros del entorno de programación estadística R, diseñado para tales fines (Cho 2019; R Core Team 2021; Wickham et al. 2019). Describimos estos pasos detalladamente en la sección Información suplementaria.
Los resultados de la aplicación del método AHP fueron usados como entrada para realizar una simple exclusión por factores limitantes, específicamente la eliminación de hexágonos por su localización respecto de accesos y cuerpos de agua. Esto consistió en, simplemente, eliminar aquellos hexágonos que se encontraran dentro en la categoría “no idóneo” para los criterios “distancia a accesos” y “distancia a cuerpos de agua”.
Finalmente, al resultado del procedimiento anterior, le aplicamos un análisis de proximidad respecto de estaciones existentes con el objetivo de garantizar homogeneidad espacial y evitar redundancia. Para este fin, utilizamos umbrales de separación propuestos por la Organización Meteorológica Mundial (World Meteorological Organization (WMO) and The International Association of Hydrological Sciences 1976; World Meteorological Organization (WMO) 2020) (más detalles en la sección Información suplementaria).
De los ocho criterios elegidos a priori para valoración por expertos y expertas, los cuatro que recibieron la mayor ponderación agregada, en orden descendente, fueron estacionalidad pluviométrica, horas de insolación, estacionalidad térmica y elevación. La importancia de cada criterio, incluyendo su desviación estándar, puede consultarse la tabla 1
prefagg %>%
estilo_kable(titulo = 'Preferencias agregadas',
cubre_anchura = F) %>%
kable_styling(position = 'left') %>%
column_spec(column = 1:2, width = "10em")
| Variable | AggPref | SD.AggPref |
|---|---|---|
| estacionalidad pluviométrica | 0.27 | 0.04 |
| horas de insolación | 0.18 | 0.11 |
| estacionalidad térmica | 0.17 | 0.08 |
| elevación | 0.12 | 0.05 |
| heterogeneidad de hábitat | 0.09 | 0.05 |
| distancia a accesos | 0.07 | 0.03 |
| distancia a cuerpos de agua | 0.06 | 0.03 |
| pendiente | 0.04 | 0.02 |
Las puntuaciones reclasificadas de cada criterio mostraron una amplia variabilidad de la superficie ocupada por cada categoría (ver tabla 2). De los criterios ponderados con un alto peso dentro de la valoración AHP, las estacionalidades pluviométrica y térmica presentaron proporciones relativamente equilibradas del territorio según las cuatro clases de idoneidad. Por otra parte, el criterio horas de insolación, mostró una importante acumulación de áreas idóneas (altamente idóneas y moderadamente idóneas) para el establecimiento de estaciones. Por el contrario, el criterio elevación resultó predominantemente no idóneo y marginalmente idóneo. Esto se debió a que los sistemas montañosos dominicanos presentan las menores densidades de estaciones meteoclimáticas, por lo que se prefirió impulsar la idoneidad de la topografía elevada para el establecimiento de EMC.
areas_proporcionales %>%
kable(format = 'html', escape = F, booktabs = T, digits = 2,
caption = 'Áreas proporcionales por cada criterios para la selección de sitios de estaciones meteoclimáticas') %>%
kable_styling(bootstrap_options = c("hover", "condensed"), full_width = T)
| criterio | altamente idóneo | moderadamente idóneo | marginalmente idóneo | no idóneo | Total |
|---|---|---|---|---|---|
| distancia a accesos | 11.54 | 33.77 | 48.85 | 5.84 | 100 |
| estacionalidad térmica | 22.17 | 28.11 | 38.39 | 11.33 | 100 |
| estacionalidad pluviométrica | 33.90 | 22.95 | 21.67 | 21.47 | 100 |
| heterogeneidad de hábitat | 19.88 | 43.74 | 20.16 | 16.22 | 100 |
| distancia a cuerpos de agua | 75.04 | 8.04 | 8.72 | 8.20 | 100 |
| pendiente | 39.60 | 28.86 | 16.92 | 14.63 | 100 |
| horas de insolación | 48.23 | 25.06 | 16.03 | 10.68 | 100 |
| elevación | 17.05 | 16.03 | 16.53 | 50.39 | 100 |
En términos de distribución espacial, el patrón más común fue el de tipo concentrado (ver figura 1). Todos los criterios presentaron autocorrelación espacial positiva, lo que significa que los hexágonos se aglomeran en cúmulos de valores grandes (“grumos” de hexágonos idóneos, formando hotspots) y/o pequeños (cúmulos de hexágonos no idóneos, formando coldspots). Destaca, aunque era esperable, la particular la distribución espacial de la distancia a cuerpos de agua, con un patrón muy homogéneo y monótono de hexágonos de alta idoneidad.
all_criteria_mapa